Desde Linux Wayfire 0.11: estrena escalado fraccional perfecto, soporte HDR mediante Vulkan, nitidez en Xwayland y un entorno wf-shell migrado a GTK4

https://blog.desdelinux.net/wp-content/uploads/2026/08/Wayfire.jpg
La evolución de los compositores Wayland continúa acelerándose, y Wayfire 0.11 se perfila como un lanzamiento final ya quese  declarada explícitamente como la más probable última versión antes del esperado salto a la rama 1.0. Si buscas un entorno de escritorio ligero, altamente personalizable y con efectos visuales fluidos, esta entrega introduce optimizaciones que abarcan desde el renderizado de alta fidelidad hasta la modernización completa de su interfaz nativa. Considerado como uno de los proyectos más atractivos visualmente en el panorama de Linux, Wayfire no se conforma únicamente con animaciones espectaculares, sino que ahora madura en su infraestructura con cambios que impactan directamente en la nitidez de las aplicaciones heredadas y un soporte masivo para nuevos protocolos gráficos. Principales novedades de Wayfire 0.11

Uno de los avances más solicitados por la comunidad es la reestructuración del escalado fraccional el cual beneficia de manera directa e inmediata a navegadores web modernos como Firefox y Chrome, así como a las herramientas nativas construidas sobre los frameworks GTK4 y Qt.

Paralelamente, la compatibilidad Xwayland ha recibido una actualización crítica orientada a las pantallas modernas. Ahora es capaz de renderizar las ventanas de aplicaciones heredadas respetando la resolución física de píxeles del monitor. Este ajuste erradica por completo el molesto desenfoque de contenido en pantallas HiDPI, garantizando que las aplicaciones que aún no soportan Wayland de forma nativa se visualicen con la misma nitidez que el resto del sistema.

En el apartado del procesamiento gráfico, el gestor integra de forma nativa el soporte para perfiles de color ICC y habilitar la compatibilidad con alto rango dinámico (HDR), aprovechando toda la potencia de la API gráfica Vulkan. Esta transición hacia un renderizado mucho más eficiente y moderno ha requerido la adaptación de los icónicos efectos visuales del compositor. Ahora, las transformaciones de ventana en dos y tres dimensiones, así como el célebre efecto de ventanas gelatinosas o Wobbly, operan fluidamente bajo este nuevo sistema, garantizando animaciones espectaculares con una huella de recursos mínima. IPC, protocolos y gestión de complementos

La administración del entorno se vuelve notablemente más dinámica gracias a la introducción de la nueva utilidad de línea de comandos wayfire-plugin. Esta herramienta está diseñada para instalar, actualizar, reconstruir y eliminar complementos con suma facilidad directamente desde la terminal.

A esto se suma una mejora en el flujo de trabajo: la capacidad de activar estas extensiones en caliente sin necesidad de reiniciar el servidor compuesto, una función disponible siempre y cuando las reglas de comunicación entre procesos (IPC) se encuentren habilitadas.

Precisamente, el mecanismo IPC ha sido potenciado enormemente, permitiendo el análisis y la configuración de las ventanas antes de su aparición efectiva en pantalla, junto con el monitoreo en tiempo real de eventos de configuración generados por los complementos. Adicionalmente, el soporte para los protocolos Wayland se ha expandido para incluir extensiones críticas, abarcando desde la captura avanzada de imágenes y controles de datos, hasta los modernos protocolos de seguridad y sincronización de DRM en Linux. Productividad en mosaico, menús globales y la evolución a GTK4

La experiencia de usuario y la disposición del área de trabajo han recibido un rediseño pensando en la productividad. Destaca la inclusión de soporte integrado para los menús g[...]

lobales de KDE AppMenu y GTK, permitiendo unificar la barra de herramientas de las aplicaciones directamente en el panel superior del sistema.

Para los usuarios que prefieren la gestión de ventanas en mosaico, se ha implementado un nuevo modo que permite ampliar temporalmente una ventana a pantalla completa mientras se conserva intacta su posición original en la cuadrícula, junto con tres configuraciones de clic de ratón (izquierdo, central y derecho) para forzar la apertura de ventanas en modos maximizado, vertical u horizontal.

A nivel estético y de usabilidad central, el entorno de escritorio nativo wf-shell (compuesto por el fondo, el panel y el dock) ha completado su migración hacia GTK4. Tambien se destaca la introduccion de una nueva gama de widgets, un bloqueador de pantalla nativo completamente integrado y controles granulares que permiten al usuario escalar fuentes, botones y márgenes, así como ajustar dinámicamente la intensidad del desenfoque del fondo en función del nivel de transparencia de cada ventana activa.

Finalmente si estás interesado en poder conocer más al respecto, puedes consultar los detalles en el siguiente enlace. ¿Cómo instalar Wayfire?

Para los usuarios de Arch Linux y sus distribuciones derivadas, los repositorios oficiales ofrecen la vía más rápida, estable y optimizada. Solo basta con ejecutar el siguiente comando y el sistema integrará el motor de Wayland, el panel de escritorio y el gestor de configuración gráfica de forma simultánea. yay -S wayfire

Para el caso de Fedora Linux, lo podemos hacer a través del gestor DNF tecleando este comando: sudo dnf install wayfire

Y finalmente para el caso de Debian y las versiones recientes de Ubuntu (a través de los repositorios Universe), podemos realizar la instalacion tecleando el siguiente comando: apt install wayfire

Desde Linux
Arch Linux deshabilitó la adopción de paquetes AUR por infiltraciones maliciosas

https://blog.desdelinux.net/wp-content/uploads/2026/07/Arch-Linux-Holo-Core.jpg
Hace poco se dio a conocer la noticia de que el ecosistema de Arch Linux se enfrenta a una crisis de seguridad crítica en su Repositorio de Usuarios (AUR). Ante una escalada alarmante de infiltraciones maliciosas, el equipo de desarrollo ha tomado la decisión drástica de deshabilitar temporalmente la adopción de paquetes huérfanos. Esta medida de contención busca frenar una sofisticada campaña de secuestro de repositorios que amenaza la integridad de miles de sistemas a nivel global, marcando un punto de inflexión en la gestión de repositorios comunitarios. Explotación y alcance

Robin Candau, miembro del equipo DevOps de Arch Linux, confirmó en la lista de correo oficial de la distribución que la suspensión inmediata se debe a un flujo constante de adopciones maliciosas y confirmaciones (commits) fraudulentas. Los atacantes han estado explotando una vulnerabilidad en el modelo de mantenimiento del AUR, el cual permitía a cualquier usuario registrado tomar el control de paquetes abandonados u huérfanos, obteniendo así acceso total de escritura en sus respectivos repositorios Git. Hola a todos, debido a la actual afluencia de adopciones de paquetes maliciosos y confirmaciones posteriores realizadas a través de AUR, la adopción de paquetes está temporalmente deshabilitada mientras gestionamos la situación. Enviaremos una actualización en cuanto sea posible. Según los informes de la Red Independiente de Inteligencia Federada (IFIN), esta campaña específica comenzó a finales de julio comprometiendo inicialmente el paquete «openconnect-sso». Investigadores independientes y colaboradores del AUR estiman que la infección se ha extendido a un rango de entre 27 y más de 200 paquetes, afectando herramientas populares como «boringssl-git», «icloudpd», «archutil» y «weather-display». Informacion sobre el malware: Evasión y robo de información

Dentro de la informacion que se ha dado a conocer, se menciona que la amenaza detrás de esta infiltración es un código malicioso basado en el lenguaje Rust, diseñado para operar de manera sigilosa en dos fases destructivas.

1. La primera etapa funciona como un cargador altamente evasivo, capaz de escanear el sistema en busca de depuradores, entornos aislados (sandboxes), máquinas virtuales y entornos de integración continua (CI/CD) para evitar ser detectado por analistas de seguridad. Una vez validado el entorno, el malware garantiza su persistencia instalando servicios en systemd y tareas programadas en cron, para luego descargar un cliente de la red Tor camuflado bajo el nombre de «dbus-daemon».
2. A través de una conexión cifrada a un servidor oculto (.onion), el sistema recupera la carga útil principal: un potente troyano de acceso remoto (RAT) y robo de información que extrae bases de datos internas del navegador, claves de monederos de criptomonedas, tokens de servicios en la nube, contraseñas y claves de API de servicios de inteligencia artificial. Adicionalmente, el código actúa como un gusano de red, utilizando claves SSH robadas para propagarse lateralmente hacia otros equipos vulnerables. Patrón de ataques a la cadena de suministro

Esta intrusión marca el tercer incidente grave de seguridad que golpea directamente la infraestructura del AUR desde junio de este mismo año. Previamente, el repositorio sufrió el impacto de la campaña «Atomic Arch», la cual comprometió más de mil quinientos paquetes huérfanos mediante una dependencia maliciosa de npm, seguida de otra oleada a mediados de junio que alteró más de setenta paquetes para inyectar configuraciones corruptas y spam en ruso. Ante este panorama de [...]

vulnerabilidad continua, entidades gubernamentales como el Centro Australiano de Seguridad Cibernética (ACSC) han emitido alertas formales advirtiendo que los repositorios de código abierto se han convertido en objetivos prioritarios para los ataques a la cadena de suministro.

Este riesgo es particularmente crítico considerando que Arch Linux es la base de distribuciones de alto impacto, como el sistema operativo SteamOS desarrollado por Valve. Las autoridades del proyecto mantendrán la restricción de nuevas adopciones hasta que se implementen medidas estructurales robustas para bloquear futuros vectores de ataque.

Finalmente, toca esperar a que los desarrolladores encuentren una solucion oportuna a este incidente y notifiquen a la comunidad sobre las acciones que se tomaran para evitar este tipo de situaciones a futuro.

MuyLinux
Linux impone un nuevo veto a las contribuciones generadas con IA

https://www.muylinux.com/wp-content/uploads/2026/08/coding.jpg
Greg Kroah-Hartman, mano derecha de Linus Torvalds en el desarrollo de Linux, ha establecido una nueva política para el área del kernel donde comienzan a fraguarse los controladores: nada de IA, salvo para parches de seguridad reales.

Según recoge Phoronix, Kroah-Hartman ha fijado una nueva norma para drivers/staging, el subsistema del kernel Linux donde residen controladores aún en desarrollo y que sirve como punto de entrada para nuevos contribuidores: cualquier parche generado con modelos de lenguaje será rechazado automáticamente, salvo que corrija una vulnerabilidad de seguridad real y verificada.

La medida viene, cómo no, derivada de la reciente «avalancha» de contribuciones creadas con IA que ha recibido este subsistema. Y, como suele ser habitual, el problema no es únicamente la calidad del código, sino que este tipo de automatización choca con la propia razón de ser de drivers/staging/, donde abundan tareas sencillas de limpieza y adaptación de código pensadas como puerta de entrada al desarrollo del kernel.

«No aceptamos simplemente parches del tipo “corrige todos los problemas de estilo de código de este archivo” generados por herramientas, ya que eso frustraría todo el propósito de drivers/staging/», explica Kroah-Hartman en el anuncio oficial. «Podríamos hacerlo mañana si realmente nos importara el código que hay aquí, pero convivimos con estos problemas precisamente porque este es el lugar donde la gente puede empezar, aprender y crecer».

Por lo tanto, cualquier intento de utilizar un LLM para limpiar o «arreglar» código de este directorio será considerado contrario a su finalidad. Kroah-Hartman advierte, además, de que suele resultar evidente cuándo una contribución ha sido generada de esta manera y desaconseja ocultarlo para intentar engañar a los mantenedores.

La única excepción se aplicará a fallos de seguridad auténticos, e incluso en esos casos, el responsable del parche deberá haberlo probado sobre el hardware real correspondiente, explicar cómo lo ha hecho y estar dispuesto a defender que la corrección resuelve un problema que puede afectar de verdad a los usuarios. O sea, la intervención de la IA no exime al desarrollador de realizar el mismo trabajo de comprobación.

El motivo de tanta cautela es, cabe señalar, significativo: según Kroah-Hartman, los LLM son ya bastante buenos detectando posibles vulnerabilidades en el código del kernel, pero «al menos un tercio de los resultados que generan son completamente erróneos o dañinos», incluso utilizando las mejores herramientas actuales y de próxima generación. «En otras palabras, drivers/staging/ es un “gimnasio” para aprender y desarrollar tus habilidades», resume.

Entiende Greg Kroah-Hartman que —como ocurre ya en tantos otros ámbitos— los LLM empiezan a ser herramientas razonables para realizar determinados trabajos pesados, pero deberían emplearlos quienes ya tienen la formación necesaria para distinguir qué tareas pueden delegarse y de qué manera. La regla de oro para cualquier usuario de IA en cualquier tarea mínimamente seria.

De hecho, esta nueva política se limita a drivers/staging/, pero fuera de esta área el trabajo generado con IA continúa permitido en el kernel Linux. No es una postura contraria a estas herramientas, que el propio Kroah-Hartman utiliza, sino a que sustituyan el aprendizaje y la experiencia en un espacio creado expresamente para este fin.

La entrada Linux impone un nuevo veto a las contribuciones generadas con IA es original de MuyLinux

MuyLinux
Rhythmbox 3.5: nueva versión del veterano reproductor de música

https://www.muylinux.com/wp-content/uploads/2026/08/Rhythmbox.jpg
Rhythmbox 3.5 es la nueva versión del veterano reproductor de música, todo un referente de su categoría en el escritorio Linux que vivió días mejores, pero que sigue muy vigente, al menos para el perfil de usuario que no ha cedido a las facilidades del streaming. Rhythmbox 3.5 es también la primera versión de una nueva serie en casi una década, aunque esto tiene sus matices.

No es que en todos estos años Rhythmbox no haya recibido actualizaciones. Todo lo contrario: el mantenimiento de la aplicación ha sido constante y no se ha limitado a aplicar las correcciones que iban surgiendo, sino que también ha incorporado novedades, eso sí, de poco alcance. Por ejemplo, hay quien se queja de que ese viejo diseño de la interfaz no se haya retocado ni un poco. Pero también hay quien está muy a gusto con ello.

Cabe recordar que Rhythmbox sigue siendo un nombre habitual en las distribuciones basadas en el escritorio GNOME. Ubuntu, sin ir más lejos, todavía lo incluye en su instalación extendida como su reproductor predeterminado, por más que en los últimos años hayan aparecido unas cuantas alternativas mucho más atractivas a la vista. De algunas nos hemos hecho eco en MuyLinux: Lollypop, Amberol, MusicPod… Y hay más: Gapless, Vinyl o Tambourine son solo una muestra de lo que se puede encontrar en Flathub actualmente.

Esta nueva hornada de reproductores de música «cuquis» —con alguna excepción, carentes de personalidad y funcionalidad— no deja de tener su interés, porque demuestra que hay vida más allá de los servicios en línea. Lo cual no resta valor a una opción con la solera de Rhythmbox, capaz de reproducir música local y en línea a través de servicios compatibles, gestionar pódcast y emisoras de radio, crear listas de reproducción, sincronizar dispositivos…

¿Novedades de Rhythmbox 3.5? Poca cosa, a decir verdad: el nuevo backend de reproducción multistream pasa a estar activado por defecto; mejora el soporte de letras con búsquedas en lrclib.net, archivos .lrc junto a las canciones y letras incrustadas en archivos Ogg; se renuevan las notificaciones y la vista de episodios de pódcast, indicando cuáles se han reproducido; y se estrena un complemento para sincronizar suscripciones y episodios mediante la API de gPodder.net. Todo ello se suma al acumulado de los últimos años, claro.

https://www.muylinux.com/wp-content/uploads/2026/08/Rhythmbox35.jpg
Rhythmbox 3.5: los clásicos siguen vigentes
No hay rediseño ni reinvención alguna: Rhythmbox 3.5 sigue siendo Rhythmbox, para lo bueno y para lo malo. Sin embargo, este tipo de lanzamientos son una buena oportunidad para volver a poner el foco en aplicaciones tan venerables como esta, testigo viviente de otros tiempos, tan útil a día de hoy como en su época dorada, a pesar de sus pintas.

A todo esto, Rhythmbox 3.5 ya está disponible en Flathub, que no en la Snap Store, donde Rhythmbox ni siquiera figura por ahora.

La entrada Rhythmbox 3.5: nueva versión del veterano reproductor de música es original de MuyLinux

http://www.linuxhispano.net/feed/
No soy yo

https://www.linuxhispano.net/wp-content/uploads/2026/08/no-soy-yo.jpg
Cualquier parecido con la realidad es pura casualidad: https://lwn.net/Articles/1087162/



La entrada No soy yo se publicó primero en Linux Hispano.

MuyLinux
Mesa 26.2: novedades y mejoras de la pila gráfica de Linux

https://www.muylinux.com/wp-content/uploads/2025/02/mesa.jpg
Mesa 26.2 es la nueva versión de la biblioteca gráfica de referencia en Linux y llega con mejoras repartidas por prácticamente toda la pila: nuevas capacidades para Vulkan, OpenGL y OpenCL, avances en los controladores de AMD, NVIDIA, Intel y ARM y un buen puñado de correcciones dirigidas a juegos y aplicaciones.

Comenzando por las API gráficas, Mesa 26.2 mantiene la implementación de OpenGL 4.6 y Vulkan 1.4, al tiempo que implementa OpenCL 3.1. Como siempre, que una aplicación pueda acceder a una versión concreta dependerá del controlador y del hardware utilizado, ya que instalar la actualización no supone dotar a cualquier GPU de compatibilidad con todas estas especificaciones.

Como es habitual, AMD vuelve a llevarse una parte importante del trabajo realizado en Mesa 26.2 a través de RADV, su controlador Vulkan, que suma nuevas extensiones y capacidades relacionadas con la gestión de memoria protegida, las consultas de rendimiento, la compilación de sombreadores y el diagnóstico de errores, entre otras características.

En el terreno de Intel, poca cosa; lo más destacado: ANV e Iris reciben nuevas optimizaciones y correcciones, mientras que el viejo Hasvk incorpora mejoras relacionadas con la sincronización y la presentación de imágenes.

No hay dos sin tres y también hay novedades para NVK, el controlador Vulkan abierto para gráficas NVIDIA, que recibe soporte para mesh shaders y otras extensiones modernas: funciones para cálculos de coma flotante, operaciones atómicas y la importación de binarios de NVIDIA, mejoras que amplían sus posibilidades y continúan acercándolo a las exigencias de los juegos y aplicaciones actuales.

Mesa 26.2 amplía asimismo el soporte para hardware ARM. Panfrost y PanVK añaden compatibilidad con las GPU Mali G1-Ultra, G1-Premium y G1-Pro, además de incorporar nuevas extensiones de OpenGL y Vulkan. Por su parte, el controlador PowerVR continúa poniéndose al día con una larga lista de capacidades. Rusticl, la implementación moderna de OpenCL escrita en Rust, ofrece ahora OpenCL 3.1 sobre Asahi, Iris, RadeonSI, LLVMpipe y Zink.

Por último, juegos y aplicaciones: títulos como Doom Eternal, Horizon Forbidden West, Halo Infinite, Elden Ring, Baldur’s Gate 3, Cyberpunk 2077, Shadow of the Tomb Raider, Starfield o DOOM: The Dark Ages figuran entre los beneficiados de este lanzamiento, con correcciones para diferentes tipos de errores. También se solucionan problemas de aceleración de vídeo, reproducción AV1 y fallos en aplicaciones del escritorio.

Mesa 26.2 es la tercera actualización de la serie anual de la pila gráfica y, aunque son estos lanzamientos los que traen las novedades, cabe recordar que está considerada como una versión de desarrollo. Quienes prioricen la estabilidad deberían mantenerse en una rama anterior o esperar a que llegue Mesa 26.2.1, primera actualización de mantenimiento.

Todos los detalles de Mesa 26.2, en las notas de lanzamiento.

La entrada Mesa 26.2: novedades y mejoras de la pila gráfica de Linux es original de MuyLinux

MuyLinux
Intel retoma el soporte de HDMI 2.1 en Linux con la implementación de FRL

https://www.muylinux.com/wp-content/uploads/2026/05/hdmi.jpg
Linux ha avanzado mucho, pero sigue quedando mucho por hacer y ponerse al día con el soporte de HDMI 2.1 es una de las deudas pendientes del sistema y el ecosistema que lo rodea, porque lo uno sin lo otro no funciona. En este sentido, el último movimiento de Intel apunta a completar una tarea que ha cobrado especial relevancia con la llegada de dispositivos como la nueva Steam Machine.

Así, Intel retoma el trabajo con HDMI 2.1 en Linux con el lanzamiento de un conjunto de parches para habilitar Fixed Rate Link (FRL) en su controlador gráfico del kernel, con soporte previsto para Meteor Lake y generaciones posteriores. Todo sigue en una fase preliminar todavía, pero ya permite alcanzar 4K a 120 Hz en las pruebas realizadas, de acuerdo con la información publicada.

FRL es una de las tecnologías fundamentales de HDMI 2.1 para superar las limitaciones de ancho de banda de TMDS, empleado por las versiones anteriores. En la práctica, permite acceder a resoluciones y tasas de refresco más elevadas, y eso es justo lo que Intel está probando ahora, pero solo en Meteor Lake y Panther Lake funcionando ya a 4K a 120 Hz.

Aun así, queda trabajo por delante, ya que —entre otras cosas— la implementación no incluye todavía Display Stream Compression (DSC), necesaria para determinadas combinaciones de resolución y refresco, sobre todo al subir hasta 8K. Intel reconoce además que las pruebas se limitan por ahora a las dos generaciones mencionadas, por lo que el objetivo inmediato es pulir lo que ya hay y seguir desde ahí.

¿Por qué es importante este movimiento? Porque llega apenas unos meses después de que AMD comenzase a incorporar en AMDGPU características de HDMI 2.1 como FRL y DSC, un avance especialmente relevante para dispositivos como la nueva Steam Machine, diseñados para conectarse a televisores donde HDMI sigue siendo la interfaz estándar de facto.

Como explicamos entonces, el problema no era puramente técnico. Durante años, las restricciones del HDMI Forum impidieron implementar libremente HDMI 2.1 en controladores gráficos de código abierto, dejando a AMD e Intel en una posición complicada. De ahí que ambas compañías hayan tenido que buscar formas de incorporar determinadas capacidades sin implementar la especificación de la manera habitual.

Primero AMD recupera FRL y avanza con DSC; ahora Intel retoma un trabajo que quedó en pausa en 2022… Y en Phoronix apuntan directamente a que algo parece haber cambiado en el HDMI Forum con respecto al soporte para controladores abiertos, por más que no haya confirmación de ningún tipo. Cabe recordar que DisplayPort permite implementaciones abiertas sin las restricciones impuestas por HDMI Forum, mientras que HDMI funciona bajo unas condiciones mucho más restrictivas.

En cualquier caso, el soporte de Intel aún no está listo para llegar al kernel. Los parches tienen un largo recorrido por delante: se especula con que podrían hacerlo en Linux 7.4. Mucho antes, para el inminente lanzamiento de Linux 7.2, se estrenará el soporte inicial de HDMI 2.1 FRL en AMDGPU, aunque desactivado por defecto y todavía lejos de finalizar la implementación. Pero incluso con eso, hará falta un mayor esfuerzo para completar la compatibilidad con HDMI 2.1.

Por otro lado, el aparente revulsivo para el impulso de AMD, la nueva Steam Machine, continuará anclada a HDMI 2.0, si bien no es un problema tan grave como pudiera parecer: con eso ya alcanza los 4K a 60 Hz, lo cual no está nada mal para el aparato. Pero esto es renovarse o morir y los primeros dispositivos con HDMI 2.2 empezarán a llegar al mercado el año que viene.

La entrada Intel retoma el soporte de HDMI 2.1 en Linux con la implementación de FRL es original de MuyLinux

Desde Linux
Fundamentos de Inteligencia Artificial (IA) para Linuxeros – Quinta Parte

https://blog.desdelinux.net/wp-content/uploads/2026/08/inteligencia-artificial-ia-para-linuxeros-quinta-parte-imagen-destacada-blog-desdelinux.jpg
Fundamentos de Inteligencia Artificial – Quinta parte: Más Términos
Si has seguido nuestra actual serie de publicaciones sobre Inteligencia Artificial (IA), ya sabrás que en nuestra tercera parte hicimos una publicación similar. Es decir, una publicación en la que dimos a conocer algunos esenciales e importantes términos (conceptos, palabras, jergas) de dicho ámbito. Pero, como es lógico de entenderse, por motivos de espacio y lo innovador y amplio de dicho campo de estudio, faltan muchas más por conocer. Así que en esta quinta entrega nos enfocaremos en unos pocos términos que últimamente son bien usados por muchos investigadores, desarrolladores, comunidades y usuarios de IA e IAG. Y estos son los siguientes 5 términos: Cuantización, Destilación, Obliteración, Sin censura y Alineación.

Y si no has leído las anteriores, te precisamos que en la primera parte nos enfocamos en qué es la IA y sobre los diversos tipos que ya se han creado y se esperan crear. En la segunda parte, sobre la diferencia entre la IA Simbólica y la IA Conexionista más algunos hitos históricos importantes de este ámbito tecnológico en los últimos 100 años. Mientras que, en la cuarta parte, nos enfocamos sobre los Prompts y la Ingeniería de Prompts. Así que, si este ámbito de la IA/IAG es lo tuyo, además del Linuxverso, pues sigue leyendo para que sigas aprendiendo y profundizando tus conocimientos sobre el mismo.

https://blog.desdelinux.net/wp-content/uploads/2026/06/inteligencia-artificial-ia-para-linuxeros-cuarta-parte-imagen-destacada-blog-desdelinux.jpg
Fundamentos de Inteligencia Artificial – Cuarta parte: Los Prompts
Pero, antes de introducirnos en esta «quinta parte del apasionante y sorprendente ámbito de la Inteligencia Artificial», les recomendamos explorar la anterior publicación relacionada de esta serie de publicaciones, al finalizar de leer la misma:

https://blog.desdelinux.net/wp-content/uploads/2026/08/inteligencia-artificial-ia-para-linuxeros-quinta-parte-imagen-contenido-blog-desdelinux.jpg Fundamentos de Inteligencia Artificial – Quinta parte: Más Términos

Antes de empezar es buena aclarar o precisar que el despliegue de Modelos de Lenguaje Grande (LLMs) presenta desafíos masivos en términos de consumo de memoria (VRAM/RAM), ancho de banda de memoria, procesamiento (NPU/GPU/CPU) y alineación de comportamiento. Y estos cinco (5) términos que mencionaremos a continuación (Cuantización, Destilación, Obliteración, y Alineación / Sin Censura) son técnicas de optimización y modificación de los «Pesos» de los Modelos IA que permiten llevar dichos modelos desde clústeres de servidores inalcanzables para muchos hasta entornos locales (como servidores Linux de propósito general o incluso hardware de consumo), modificando tanto su eficiencia como su comportamiento.
En inteligencia artificial, especialmente en las redes neuronales artificiales, un peso (weight) es un parámetro numérico que define la importancia de la conexión entre dos neuronas.‍ Cada entrada de un nodo se multiplica por un peso. Luego, la suma de estas entradas ponderadas pasa por una función de activación, lo que permite al modelo dar más o menos relevancia a ciertas características. Un ejemplo sencillo de entender sería el siguiente: En un sistema de reconocimiento de imágenes, un peso puede indicar cuánto contribuye una característica visual (como un borde, un color o una textura) a la identificación de un objeto. En consecuencia, un peso alto puede equivaler a que dicha característica es muy importante, un peso cercano a cero puede ser equivalente a que tiene poca influencia, y un peso negativo p[...]

uede equivaler a que tiene una influencia en dirección contraria al resultado más satisfactorio. Glosario de IA
https://blog.desdelinux.net/wp-content/uploads/2026/08/inteligencia-artificial-ia-para-linuxeros-quinta-parte-imagen-contenido-1-blog-desdelinux-1.jpg Cuantización (o Cuantificación)

En palabras poco complejas o no tan técnicas, el proceso de Cuantización (también llamado de Cuantificación, por algunos investigadores o en algunas bibliografías) hace referencia a la técnica enfocada a la reducción de tamaño y optimización de modelos de IA por medio de la conversión de los pesos del modelo (sus ecuaciones matemáticas) desde un formato de alta precisión a uno de menor precisión. ¿Cómo funciona esto? Pues, por lo general, los modelos se entrenan en formatos de 16 bits (FP16). Y el proceso de cuantización los transforma a formatos de 8, 4 o incluso 2 bits (como INT8, INT4, INT2 o esquemas de empaquetados GGUF/EXL2/GPTQ/AWQ). ¿Cuál es su objetivo? Permitir que los modelos ocupen mucha menos memoria RAM/VRAM y se ejecuten más rápido, haciendo posible usar dichos Modelos LLM cuantizados en hardware doméstico (como una computadora o teléfono casero o personal) perdiendo muy poca precisión al responder o generar un producto multimedia. Por ejemplo, al reducir de FP16 bits a INT4, se puede reducir el consumo de VRAM en un 75% y obtener una aceleración drásticamente de la transferencia de datos desde la VRAM a los núcleos de procesamiento de la GPU/CPU (y hasta la RAM).
La cuantificación (cuantización) es una técnica empleada dentro de los modelos de lenguaje grandes (LLM) para convertir pesos y valores de activación de datos de alta precisión, generalmente de coma flotante (o punto flotante) de 32 bits (FP32) o coma flotante de 16 bits (FP16), a datos de menor precisión, como enteros de 8 bits (INT8). ¿Qué es la cuantificación? según IBM
https://blog.desdelinux.net/wp-content/uploads/2026/08/inteligencia-artificial-ia-para-linuxeros-quinta-parte-imagen-contenido-2-blog-desdelinux.jpg Destilación

En palabras poco complejas o no tan técnicas, el proceso de Destilación (también llamado de Destilación del Conocimiento, por algunos investigadores o en algunas bibliografías) hace referencia al proceso de transferencia de conocimiento donde un modelo pequeño y eficiente (llamado «alumno») es entrenado para imitar el comportamiento y los resultados de un modelo mucho más grande y complejo (llamado «maestro»). ¿Cómo funciona esto? Pues, en lugar de entrenar al modelo alumno desde cero con datos crudos, se le enseña utilizando las respuestas y las distribuciones de probabilidad que genera el modelo maestro. ¿Cuál es su objetivo? Obtener un modelo más ligero, rápido y económico de ejecutar, pero que retenga gran parte de la inteligencia, el razonamiento y las capacidades del modelo gigante original. Por ejemplo, si la palabra correcta es «perro», un modelo normal solo sabe que «perro» es correcto. El modelo «alumno» destilado aprende del modelo «maestro» que «gato» o «lobo» tienen una probabilidad del 15% y 5% respectivamente, heredando la comprensión semántica profunda de un modelo de 70 mil millones de parámetros en una red de apenas 8 mil millones.
Las técnicas de destilación de conocimientos tienen como objetivo no solo replicar los resultados de los modelos «maestros», sino también emular sus procesos de pensamiento. En la era de los LLM, la destilación de conocimientos permite la transferencia de cualidades abstractas como el estilo, las habilidades de razonamiento y la alineación con las preferencias y valores humanos. Es decir, que al imitar al modelo «maestro», el modelo «alumno» aprende el «conocimiento oscuro» (información, saberes o patrones ocultos, prohibidos o difíciles de descifrar que escapan a la comprensión común). ¿Qué es la destilación? según IBM
https://blog.desdelinux.net/wp-content/uploads/2026/08/inteligencia-artificial-ia-para-linuxeros-quin[...]

ta-parte-imagen-contenido-3-blog-desdelinux-1.jpg Obliteración

En palabras poco complejas o no tan técnicas, el proceso de Obliteración (también llamado abliteración, desaprendizaje automático o borrado de conceptos, por algunos investigadores o en algunas bibliografías) hace referencia a una técnica avanzada de eliminación de conceptos o sesgos directos dentro de los pesos del modelo, la cual usualmente es aplicada para eliminar la capacidad de ciertos Modelos IA de negarse a responder (saltarse el rechazo a contenidos sensibles), es decir, mermar o eliminar su «alineación» de fabrica. ¿Cómo funciona esto? Pues, a diferencia del entrenamiento tradicional, los desarrolladores deben identificar la «dirección del vector» o circuito neuronal (espacio vectorial latentes de alta dimensión) exacto dentro del modelo que se encarga de activar las respuestas de rechazo (como el típico «No puedo ayudarte con eso»). Para luego, mediante procesos matemáticos, borrar dicha dirección geométrica del vector o volverlo ortogonal (neutralizarlo) en los pesos del modelo. ¿Cuál es su objetivo? Eliminar por completo un comportamiento específico (como la censura de seguridad) desde la raíz matemática del modelo, haciendo que sea casi imposible que se niegue a responder. Por ejemplo, se puede aislar el vector de dirección que representa, el «cómo fabricar un explosivo» o una «información especifica protegida con derechos de autor», aplicando variaciones directamente sobre las matrices de pesos para así obtener dicha respuesta.
Los modelos de lógica descriptiva modernos están optimizados para la seguridad y el cumplimiento de instrucciones, lo que significa que están entrenados para rechazar solicitudes perjudiciales. Se ha demostrado que este comportamiento de rechazo está mediado por una dirección específica en el flujo residual del modelo. Si se impide que el modelo represente esta dirección, pues pierde su capacidad para rechazar solicitudes. Por el contrario, añadir esta dirección artificialmente puede provocar que el modelo rechace incluso solicitudes inofensivas. ¿Qué es la abliteración? según Hugging Face
https://blog.desdelinux.net/wp-content/uploads/2026/08/inteligencia-artificial-ia-para-linuxeros-quinta-parte-imagen-contenido-4-blog-desdelinux.jpg Alineación de modelos (Bloqueo) y Modelos sin censura (Desbloqueo) Alineación de modelos IA: Explicación, Técnicas y Ajustes Para entender más claramente el término «Modelo sin censura», primero hay que entender correctamente que es la «Alineación de modelos IA». Por ello, de entrada es bueno recordar que, los modelos base de IA se entrenan para predecir el siguiente token. Luego, pasan por un proceso llamado Fine-Tuning (Ajuste fino) y RLHF (Aprendizaje por Refuerzo a partir de Retroalimentación Humana) o DPO (Optimización Directa de Preferencias). Lo cual, inyecta «barreras de seguridad» (guardrails) para que el modelo IA se niegue a responder instrucciones consideradas inmorales, peligrosas o ilegales.

Por ello, una descripción precisa de Alineación de modelos es la siguiente:
La Alineación de modelos es la disciplina que se ocupa de asegurar que los resultados de un modelo de lenguaje grande (LLM) estén alineados con los valores humanos de una manera beneficiosa para los usuarios, desarrolladores y la sociedad en general. Y para alcanzar este objetivo, se pueden emplear diversas técnicas de preentrenamiento y ajuste. ¿Qué es la alineación de LLM? según IBM Técnicas de preentrenamiento

Siendo algunas técnicas de preentrenamiento las siguientes:

* Alineación externa: Tiene como objetivo ajustar un modelo que ya ha sido preentrenado (y que, en muchos casos, ya ha sido objeto de cierto grado de ajuste).
* Alineación interna: Tiene como objetivo incorporar valores humanos y otros principios de seguridad directamente en el preentrenamiento inicial del modelo.
* Interpretabilidad mecanicista: Es la práctica de inv[...]

estigar cómo los LLM transforman entradas en resultados, ya sea a través del análisis de las operaciones internas de la red neuronal de un LLM o auditando los resultados del modelo para patrones que producen respuestas desalineadas. Ajustes de alineamiento

Y algunos ajustes implementados los siguientes:

* Refinamiento (Fine Tunning): Implica técnicas para entrenar aún más a un modelo cuyos pesos ya se han actualizado mediante entrenamiento previo. Utilizando el conocimiento previo del modelo base como punto de partida, el refinamiento adapta el modelo entrenándolo en un conjunto de datos más pequeño y específico de la tarea.
* Ajuste eficiente de parámetros (PEFT): Es un método para mejorar el rendimiento de modelos LLM previamente entrenados y redes neuronales para tareas o conjuntos de datos específicos. Al entrenar un pequeño conjunto de parámetros y conservar la mayor parte de la estructura del modelo LLM preentrenado, se ahorra tiempo y recursos computacionales al aumentar la eficiencia en tareas específicos.
* Aprendizaje por refuerzo a partir de la retroalimentación humana (RLHF): Es una técnica de aprendizaje automático en la que se entrena a un “modelo de recompensa” con retroalimentación humana directa y luego se utiliza para optimizar el rendimiento de un agente de inteligencia artificial a través del aprendizaje por refuerzo.
* Optimización Directa de Preferencias (DPO): Es un método eficiente para alinear modelos de lenguaje grandes (LLM) con las preferencias humanas. A diferencia del tradicional aprendizaje por refuerzo (RLHF), DPO elimina la necesidad de entrenar un modelo de recompensa independiente o usar algoritmos complejos de optimización, simplificando el entrenamiento en una tarea de clasificación directa. Y puede implementarse tanto sin un modelo de recompensa, como aplicando Datos por pares y Optimizaciones matemáticas. Modelos IA sin censura:

Teniendo ya en claro el concepto anterior, se puede describir o explicar fácilmente que, un Modelo IA «sin censura» es aquel en el que mediante un proceso de alineación restrictiva se le han eliminado ciertas o todas las barreras o restricciones impuestas, o aquel al cual nunca se aplicaron procesos de alineación.

Por ende, estos modelos obedecerán cualquier prompt que el usuario introduzca, operando bajo la premisa pura del software libre: «La herramienta debe ejecutar la orden del usuario sin actuar como un árbitro moral». O en palabras más simples son aquellos modelos que han sido entrenados o modificados para eliminar las barreras de seguridad, filtros éticos y alineación (RLHF) impuestos por sus creadores originales. ¿Cómo se logra esto?

Para ello, se pueden implementar procesos como los siguientes:

* La ablación (eliminación o desactivación) del vector (respuesta) de rechazo: Al detectar y restar este «vector de rechazo» de los pesos durante la inferencia, el modelo pierde su capacidad de negarse a responder.
* Refinamiento con Datasets Ortogonales: Consiste en reentrenar un modelo base utilizando conjuntos de datos de los cuales se han purgado sistemáticamente todas las respuestas del tipo «Lo siento, como modelo de lenguaje de IA, no puedo…». Con ello, se consigue que un modelo desaprenda el comportamiento evasivo y priorice la obediencia estricta a las instrucciones dadas.

https://blog.desdelinux.net/wp-content/uploads/2023/12/midori-11-2-novedades-imagen-resumen-blog-desdelinux.jpeg Resumen

En resumen, esperamos que esta «quinta publicación de nuestra actual serie sobre la Inteligencia Artificial (IA)»  sea un idóneo complemento a nuestra tercera publicación, con el objetivo de seguir fortaleciendo y facilitando en muchos usuarios del Linuxverso el uso y dominio de los conocimientos y destrezas necesarios para poder comprender, capacitarse y manejarse en este moderno e innovador ámbito tecnológico. No olvides que, la Inteligencia Artificial junto a la Robótica hoy en día, están cambi[...]

ando al mundo y nuestra forma de vivir la vida. Y que si todo sale bien con ella, la Humanidad podría tener una era de prosperidad y avance como nunca antes se ha visto en otros momentos.

Así que, más vale aprender de Inteligencia Artificial ahora que negarse, y tener que lamentarse mañana. En consecuencia, si te gustaría aprender algo en especifico sobre IA, te invitamos a mencionarlo vía comentarios, para tenerlo en cuenta para futuras publicaciones. Y por supuesto, no olvides seguir participando, contribuyendo y apoyando a nuestro querido y valioso Linuxverso.

Por último, recuerda visitar nuestra «página de inicio» en español. O, en cualquier otro idioma (con solo agregar al final de nuestra URL actual, 2 letras al final, por ejemplo: ar, de, en, fr, ja, pt y ru, entre muchas otras) para conocer más contenidos actuales.